tensorflow使用指定gpu的方法
TensorFlow是一個(gè)基于數(shù)據(jù)流編程（dataflow programming）的符號(hào)數(shù)學(xué)系統(tǒng)，被廣泛應(yīng)用于各類(lèi)機(jī)器學(xué)習(xí)（machine learning）算法的編程實(shí)現(xiàn)，其前身是谷歌的神經(jīng)網(wǎng)絡(luò)算法庫(kù)DistBelief [1] 。
Tensorflow擁有多層級(jí)結(jié)構(gòu)，可部署于各類(lèi)服務(wù)器、PC終端和網(wǎng)頁(yè)并支持GPU和TPU高性能數(shù)值計(jì)算，被廣泛應(yīng)用于谷歌內(nèi)部的產(chǎn)品開(kāi)發(fā)和各領(lǐng)域的科學(xué)研究 。
TensorFlow由谷歌人工智能團(tuán)隊(duì)谷歌大腦（Google Brain）開(kāi)發(fā)和維護(hù)，擁有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在內(nèi)的多個(gè)項(xiàng)目以及各類(lèi)應(yīng)用程序接口（Application Programming Interface, API） 。自2015年11月9日起，TensorFlow依據(jù)阿帕奇授權(quán)協(xié)議（Apache 2.0 open source license）開(kāi)放源代碼 。
持續(xù)監(jiān)控GPU使用情況命令：
$ watch -n 10 nvidia-smi
一、指定使用某個(gè)顯卡
如果機(jī)器中有多塊GPU，tensorflow會(huì)默認(rèn)吃掉所有能用的顯存， 如果實(shí)驗(yàn)室多人公用一臺(tái)服務(wù)器，希望指定使用特定某塊GPU。
可以在文件開(kāi)頭加入如下代碼：
import os os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ["CUDA_VISIBLE_DEVICES"] = "1" # 使用第二塊GPU（從0開(kāi)始）
也可以制定使用某幾塊GPU
import os os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ["CUDA_VISIBLE_DEVICES"] = "0, 2" # 使用第一, 三塊GPU
禁用GPU
import os os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
支持的設(shè)備
在一套標(biāo)準(zhǔn)系統(tǒng)中通常有多臺(tái)計(jì)算設(shè)備。TensorFlow 支持 CPU 和 GPU 這兩種設(shè)備。它們均用 strings 表示。例如：
"/cpu:0"：機(jī)器的 CPU。 "/device:GPU:0"：機(jī)器的 GPU（如果有一個(gè)）。 "/device:GPU:1"：機(jī)器的第二個(gè) GPU（以此類(lèi)推）。
如果 TensorFlow 指令中兼有 CPU 和 GPU 實(shí)現(xiàn)，當(dāng)該指令分配到設(shè)備時(shí)，GPU 設(shè)備有優(yōu)先權(quán)。例如，如果 matmul 同時(shí)存在 CPU 和 GPU 核函數(shù)，在同時(shí)有 cpu:0 和 gpu:0 設(shè)備的系統(tǒng)中，gpu:0 會(huì)被選來(lái)運(yùn)行 matmul。
記錄設(shè)備分配方式
要找出您的指令和張量被分配到哪個(gè)設(shè)備，請(qǐng)創(chuàng)建會(huì)話(huà)并將 log_device_placement 配置選項(xiàng)設(shè)為 True。
#Creates a graph. a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a') b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b') c = tf.matmul(a, b) #Creates a session with log_device_placement set to True. sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) #Runs the op. print(sess.run(c))
應(yīng)該會(huì)看到以下輸出內(nèi)容：
Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci bus id: 0000:05:00.0 b: /job:localhost/replica:0/task:0/device:GPU:0 a: /job:localhost/replica:0/task:0/device:GPU:0 MatMul: /job:localhost/replica:0/task:0/device:GPU:0 [[ 22. 28.] [ 49. 64.]]
手動(dòng)分配設(shè)備
如果您希望特定指令在您選擇的設(shè)備（而非系統(tǒng)自動(dòng)為您選擇的設(shè)備）上運(yùn)行，您可以使用 with tf.device 創(chuàng)建設(shè)備上下文，這個(gè)上下文中的所有指令都將被分配在同一個(gè)設(shè)備上運(yùn)行。
# Creates a graph.
with tf.device('/cpu:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))
您會(huì)看到現(xiàn)在 a 和 b 被分配到 cpu:0。由于未明確指定運(yùn)行 MatMul 指令的設(shè)備，因此 TensorFlow 運(yùn)行時(shí)將根據(jù)指令和可用設(shè)備（此示例中的 gpu:0）選擇一個(gè)設(shè)備，并會(huì)根據(jù)要求自動(dòng)復(fù)制設(shè)備間的張量。
Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K40c, pci bus id: 0000:05:00.0 b: /job:localhost/replica:0/task:0/cpu:0 a: /job:localhost/replica:0/task:0/cpu:0 MatMul: /job:localhost/replica:0/task:0/device:GPU:0 [[ 22. 28.] [ 49. 64.]]
允許增加 GPU 內(nèi)存
默認(rèn)情況下，TensorFlow 會(huì)映射進(jìn)程可見(jiàn)的所有 GPU 的幾乎所有 GPU 內(nèi)存（取決于 CUDA_VISIBLE_DEVICES）。通過(guò)減少內(nèi)存碎片，可以更有效地使用設(shè)備上相對(duì)寶貴的 GPU 內(nèi)存資源。
在某些情況下，最理想的是進(jìn)程只分配可用內(nèi)存的一個(gè)子集，或者僅根據(jù)進(jìn)程需要增加內(nèi)存使用量。 TensorFlow 在 Session 上提供兩個(gè) Config 選項(xiàng)來(lái)進(jìn)行控制。
第一個(gè)是 allow_growth 選項(xiàng)，它試圖根據(jù)運(yùn)行時(shí)的需要來(lái)分配 GPU 內(nèi)存：它剛開(kāi)始分配很少的內(nèi)存，隨著 Session 開(kāi)始運(yùn)行并需要更多 GPU 內(nèi)存，我們會(huì)擴(kuò)展 TensorFlow 進(jìn)程所需的 GPU 內(nèi)存區(qū)域。請(qǐng)注意，我們不會(huì)釋放內(nèi)存，因?yàn)檫@可能導(dǎo)致出現(xiàn)更嚴(yán)重的內(nèi)存碎片情況。要開(kāi)啟此選項(xiàng)，請(qǐng)通過(guò)以下方式在 ConfigProto 中設(shè)置選項(xiàng)：
config = tf.ConfigProto() config.gpu_options.allow_growth = True session = tf.Session(config=config, ...)
第二個(gè)是 per_process_gpu_memory_fraction 選項(xiàng)，它可以決定每個(gè)可見(jiàn) GPU 應(yīng)分配到的內(nèi)存占總內(nèi)存量的比例。例如，您可以通過(guò)以下方式指定 TensorFlow 僅分配每個(gè) GPU 總內(nèi)存的 40%：
config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.4 session = tf.Session(config=config, ...)
如要真正限制 TensorFlow 進(jìn)程可使用的 GPU 內(nèi)存量，這非常實(shí)用。
在多 GPU 系統(tǒng)中使用單一 GPU
如果您的系統(tǒng)中有多個(gè) GPU，則默認(rèn)情況下將選擇 ID 最小的 GPU。如果您希望在其他 GPU 上運(yùn)行，則需要顯式指定偏好設(shè)置：
# Creates a graph.
with tf.device('/device:GPU:2'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))
如果您指定的設(shè)備不存在，您會(huì)看到 InvalidArgumentError：
InvalidArgumentError: Invalid argument: Cannot assign a device to node 'b': Could not satisfy explicit device specification '/device:GPU:2' [[Node: b = Const[dtype=DT_FLOAT, value=Tensor<type: float shape: [3,2] values: 1 2 3...>, _device="/device:GPU:2"]()]]
當(dāng)指定設(shè)備不存在時(shí)，如果您希望 TensorFlow 自動(dòng)選擇現(xiàn)有的受支持設(shè)備來(lái)運(yùn)行指令，則可以在創(chuàng)建會(huì)話(huà)時(shí)將配置選項(xiàng)中的 allow_soft_placement 設(shè)為 True。
# Creates a graph.
with tf.device('/device:GPU:2'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with allow_soft_placement and log_device_placement set
# to True.
sess = tf.Session(config=tf.ConfigProto(
allow_soft_placement=True, log_device_placement=True))
# Runs the op.
print(sess.run(c))
使用多個(gè) GPU
如果您想要在多個(gè) GPU 上運(yùn)行 TensorFlow，則可以采用多塔式方式構(gòu)建模型，其中每個(gè)塔都會(huì)分配給不同 GPU。例如：
# Creates a graph.
c = []
for d in ['/device:GPU:2', '/device:GPU:3']:
with tf.device(d):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2])
c.append(tf.matmul(a, b))
with tf.device('/cpu:0'):
sum = tf.add_n(c)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(sum))
您會(huì)看到以下輸出內(nèi)容：
Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla K20m, pci bus id: 0000:02:00.0 /job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: Tesla K20m, pci bus id: 0000:03:00.0 /job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: Tesla K20m, pci bus id: 0000:83:00.0 /job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: Tesla K20m, pci bus id: 0000:84:00.0 Const_3: /job:localhost/replica:0/task:0/device:GPU:3 Const_2: /job:localhost/replica:0/task:0/device:GPU:3 MatMul_1: /job:localhost/replica:0/task:0/device:GPU:3 Const_1: /job:localhost/replica:0/task:0/device:GPU:2 Const: /job:localhost/replica:0/task:0/device:GPU:2 MatMul: /job:localhost/replica:0/task:0/device:GPU:2 AddN: /job:localhost/replica:0/task:0/cpu:0 [[ 44. 56.] [ 98. 128.]]
cifar10 教程就是個(gè)很好的例子，演示了如何使用多個(gè) GPU 進(jìn)行訓(xùn)練。
見(jiàn)官方教程：https://www.tensorflow.org/programmers_guide/using_gpu?hl=zh-cn
總結(jié)
以上所述是小編給大家介紹的tensorflow使用指定gpu的方法，希望對(duì)大家有所幫助！
相關(guān)文章
Python3爬蟲(chóng)發(fā)送請(qǐng)求的知識(shí)點(diǎn)實(shí)例
在本篇文章里小編給大家分享的是一篇關(guān)于Python3爬蟲(chóng)發(fā)送請(qǐng)求的知識(shí)點(diǎn)實(shí)例，需要的朋友們可以學(xué)習(xí)下。2020-07-07
解決python通過(guò)cx_Oracle模塊連接Oracle亂碼的問(wèn)題
今天小編就為大家分享一篇解決python通過(guò)cx_Oracle模塊連接Oracle亂碼的問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-10-10
樹(shù)莓派使用python-librtmp實(shí)現(xiàn)rtmp推流h264的方法
今天小編就為大家分享一篇樹(shù)莓派使用python-librtmp實(shí)現(xiàn)rtmp推流h264的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-07-07
python怎么對(duì)數(shù)字進(jìn)行過(guò)濾
在本篇內(nèi)容中小編給大家整理的是關(guān)于python怎么對(duì)數(shù)字進(jìn)行過(guò)濾的實(shí)例方法內(nèi)容，需要的朋友們可以參考下。2020-07-07
Python 用三行代碼提取PDF表格數(shù)據(jù)
這篇文章主要介紹了Python 用三行代碼提取PDF表格數(shù)據(jù),文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-10-10
本文章向大家介紹flask工廠(chǎng)模式，主要包括flask工廠(chǎng)模式使用實(shí)例、應(yīng)用技巧、基本知識(shí)點(diǎn)總結(jié)和需要注意事項(xiàng)，具有一定的參考價(jià)值，需要的朋友可以參考一下2021-11-11
flask 實(shí)現(xiàn)token機(jī)制的示例代碼
這篇文章主要介紹了flask 實(shí)現(xiàn)token機(jī)制的示例代碼，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-11-11
Django自定義插件實(shí)現(xiàn)網(wǎng)站登錄驗(yàn)證碼功能
這篇文章主要為大家詳細(xì)介紹了Django自定義插件實(shí)現(xiàn)網(wǎng)站登錄驗(yàn)證碼功能，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-04-04
python單例模式的應(yīng)用場(chǎng)景實(shí)例講解
在本篇文章里小編給大家整理的是一篇關(guān)于python單例模式的應(yīng)用場(chǎng)景實(shí)例講解內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。2021-02-02
在python win系統(tǒng)下 打開(kāi)TXT文件的實(shí)例
下面小編就為大家分享一篇在python win系統(tǒng)下 打開(kāi)TXT文件的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-04-04